論文の概要: Unsupervised 3D Brain Anomaly Detection

• arxiv url: http://arxiv.org/abs/2010.04717v2
• Date: Fri, 9 Apr 2021 11:43:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 06:15:17.663889
• Title: Unsupervised 3D Brain Anomaly Detection
• Title（参考訳）: 教師なし3次元脳異常検出
• Authors: Jaime Simarro, Ezequiel de la Rosa, Thijs Vande Vyvere, David Robben and Diana M. Sima
• Abstract要約: 異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 GAN(Generative Adrial Networks)のような深層生成モデルは、解剖学的変動を捉えるために利用される。 本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを例示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection (AD) is the identification of data samples that do not fit a learned data distribution. As such, AD systems can help physicians to determine the presence, severity, and extension of a pathology. Deep generative models, such as Generative Adversarial Networks (GANs), can be exploited to capture anatomical variability. Consequently, any outlier (i.e., sample falling outside of the learned distribution) can be detected as an abnormality in an unsupervised fashion. By using this method, we can not only detect expected or known lesions, but we can even unveil previously unrecognized biomarkers. To the best of our knowledge, this study exemplifies the first AD approach that can efficiently handle volumetric data and detect 3D brain anomalies in one single model. Our proposal is a volumetric and high-detail extension of the 2D f-AnoGAN model obtained by combining a state-of-the-art 3D GAN with refinement training steps. In experiments using non-contrast computed tomography images from traumatic brain injury (TBI) patients, the model detects and localizes TBI abnormalities with an area under the ROC curve of ~75%. Moreover, we test the potential of the method for detecting other anomalies such as low quality images, preprocessing inaccuracies, artifacts, and even the presence of post-operative signs (such as a craniectomy or a brain shunt). The method has potential for rapidly labeling abnormalities in massive imaging datasets, as well as identifying new biomarkers.
• Abstract（参考訳）: 異常検出(AD)とは、学習したデータ分布に適合しないデータサンプルの同定である。 そのため、ADシステムは、医師が病理の存在、重症度、拡張性を決定するのに役立つ。 generative adversarial networks (gans) のような深層生成モデルは解剖学的変動を捉えるために利用される。 これにより、任意の外れ値(すなわち、学習された分布の外側に落下するサンプル)を教師なしの方法で異常として検出することができる。 この方法を用いることで,期待される病変や既知の病変を検出できるだけでなく,未認識のバイオマーカーも提示できる。 我々の知る限り、本研究では、1つのモデルで体積データを効率的に処理し、3次元脳異常を検出する最初のADアプローチを実証する。 提案手法は,最先端の3D GANと改良訓練工程を組み合わせた2D f-AnoGANモデルの体積および高精度拡張である。 外傷性脳損傷(TBI)患者の非コントラストCT画像を用いた実験では、RAC曲線の75%以下の領域でTBI異常を検出し、局所化する。 さらに,低画質画像,前処理の不正確性,アーティファクト,術後の徴候(頭蓋切除や脳シャントなど)など,他の異常を検出する方法の可能性についても検討した。 この手法は、大量の画像データセットの異常を迅速にラベル付けし、新しいバイオマーカーを同定する可能性がある。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Learning image representations for anomaly detection: application to discovery of histological alterations in drug development [0.0]
  病理組織学では、通常標本は豊富であるが、異常(病理)の症例は少ないか、利用できない。 このような画像の事前学習畳み込みニューラルネットワーク(CNN)表現と組み合わせたアプローチは、以前は異常検出(AD)に用いられていた。 本手法は, 早期に薬剤の毒性評価に有効であり, 遅発性薬剤の服用を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-14T10:00:36Z)
• 3D unsupervised anomaly detection and localization through virtual multi-view projection and reconstruction: Clinical validation on low-dose chest computed tomography [2.2302915692528367]
  仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。 本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。 異常領域を93%の精度でローカライズし、高い性能を示す。
  論文  参考訳（メタデータ） (2022-06-18T13:22:00Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
  UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。 異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。 本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T01:56:58Z)
• Brain Tumor Anomaly Detection via Latent Regularized Adversarial Network [34.81845999071626]
  本稿では,脳腫瘍の異常検出アルゴリズムを提案する。 健常な(正常な)脳画像のみを訓練する半教師付き異常検出モデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-09T12:12:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。